Uma possível honestidade no pouco entendimento científico

Sem a pretensão de abordar de forma sistemática e metodológica a questão epistemológica da ciência, este texto trata de alguns pontos simples - de certo direcionados a um leigo -, porém essenciais no que diz respeito à forma como que qualquer interessado deve compreender a ciência. Mesmo não tocando nos fundamentos do método científico ou na complexa relação entre o observador e a matéria, acredito que a compreensão dos conceitos de alguns adjetivos como Modelo Teórico, Simulação Computacional, Realidade, Modelo Matemático e etc., já produzem uma visão diferente da ciência quanto ferramenta investigativa, e ainda, dando um sentido real quanto Verdade que uma teoria ou modelo científico se propõe a ser.

Segue um compilado traduzido e adaptado das partes essenciais contidas na introdução do livro Molecular Dynamics Simulation: elementary methods de J. M. Haile da Universidade Clemson na California do Sul, este que fornece uma introdução básica para um conhecimento mais profundo desta disciplina filosófica e metodológica. É possível dentro da discussão sobre modelos computacionais teóricos de sistemas moleculares, extrair conceitos fundamentais da visão científica, inclusive para outras áreas da ciência que, tanto utilizam o formalismo descritivo dos fenômenos da natureza, como também subsidiam a iniciativa experimental de igualmente tentar descrever a matéria sensível.

Introdução

(...)

A simulação computacional em dinâmica molecular é a realização de uma velha, e antiquada, ideia científica; (…) o comportamento de um sistema pode ser calculado se nós temos - para cada parte do sistema - um conjunto inicial de condições somadas às forças de interação. Da época de Newton até os dias atuais, esta interpretação mecânico determinística da natureza tem dominado a ciência.

Em 1814, cerca de um século depois de Newton, Laplace escreveu:

“(...) uma inteligencia na qual poderia compreender todas as forças pelas quais a natureza é animada, e a respectiva situação dos seres que a compõem – uma inteligência suficientemente vasta que poderia submeter estes dados para analise – abraçaria da mesma forma o movimento de corpos maiores do universo até os átomos mais leves. Para isto, nada poderia ser incerto, e o futuro, como o passado, estaria presente a estes olhos.”

Se esta aproximação é impedida pela complexidade da realidade, então, nós substituímos a realidade por um modelo. Em uma de suas palestras, cerca de um século depois de Laplace, Thompson observou:

parece para mim que o teste da pergunta “entendemos ou não um problema particular em física?” é, na verdade, “podemos fazer um modelo mecânico disto?”

Hoje, cerca de um século depois de Thompson, nós permanecemos incontidos do sonho de Laplace: o requisito da “inteligencia” é suprido por um computador digital, e a “respectiva situação” é um conjunto inicial de posições e velocidades [no caso da Dinâmica Molecular]. Agora, modelos matemáticos determinísticos permeiam não somente as ciências físicas e engenharia, mas a vida e as ciências sociais também.

Este determinismo é antiquado no sentido de que, enquanto que frequentemente é bem sucedido, no entanto, ainda é simplista. A despeito da afirmação de Laplace, nós podemos identificar sistemas que ainda são imprevisíveis – o mercado de ações e o clima, por exemplo. Por que deveria ser assim? Se o modelo matemático determinístico pode nos ajudar com sucesso a lançar a Apolo XI à lua, por quê não pode nos ajudar a prevê o clima na terra nos próximos meses?

A resolução desde problema é baseada no tipo de força agindo entre os componentes do sistema: quando o sistema contém objetos que interagem não linearmente, o comportamento do sistema pode ser imprevisível. Nos últimos anos estudos em dinâmica não linear tem dissociado o determinístico do previsível. Situações [fenômenos] determinísticas possuem “outputs” [observáveis, ou, parâmetros de interesse] do sistema conectados aos “inputs” [condições físicas pré estabelecidas] do sistema. Situações calculáveis são aquelas situações determinísticas nas quais um algorítimo permite-nos calcular os outputs do sistema se os inputs são conhecidos. Situações previsíveis são aquelas situações calculáveis nas quais o algorítimo pode ser numericamente implementado para calcular os outputs. Situações calculáveis podem ser imprevisíveis porque um grande número de inputs foram necessários devido uma imprecisão irrealisticamente alta com a qual os inputs devem ser conhecidos, e/ou porque a estabilidade do algorítimo é sensível para intermediar os cálculos. Num bilhar, a bola oito numa caçapa é determinística, calculável e previsível. Portanto, vai chover daqui dois meses é determinístico mas não previsível.

O tema primordial deste livro é predicado na dissociação do previsível do determinístico. (…) usar uma máquina para calcular o comportamento do modelo de alguns corpos não garantem que o comportamento seja representativo daquele modelo, muito menos que o modelo imita a realidade. Isto é esta imprevisibilidade determinística que faz a dinâmica molecular fascinante e desafiante.

É divertido fazer um mero modelo escrevendo algumas equações diferenciais e construir isso tudo dentro de um computador? Não. O divertido, ao que parece, inicia-se quando temos completado uma simulação, quando nós temos um “número”. Agora surgem todas as antigas questões características da ciência: Quão bom é este número? Quão errado isto poderia ser? Isto é representativo, reproduzível? O que isto significa? Eu acredito nisto? Como eu testo isso? Se isto está certo, o que deve seguir?
(…)Simulações computacionais são modelos performados, não coisas reais, e nisto consiste que, a “ciência da simulação” está necessariamente ligada à arte da construção de modelos.

Teoria versus Experimento
Numa conferência em 1970 um debate acalorado ocorreu em torno da questão se simulações computacionais são teorias ou experimentos. O lado da teoria argumentou que simulação é claramente teórica porque nenhuma medida é feita no sistema real em si; simulações moleculares [ou de qualquer outra natureza científica] são puras “calculações”. O lado do experimento contestou que os resultados de simulações são usados como experimento, nomeadamente, para testar teorias. Além disso, este lado notou que resultados de simulações, como experimentos, estão propensos a problemas de reprodutibilidade e erros estatísticos. Por isso, permeando a literatura, é uma posição considerada na interpretação de simulações moleculares como experimentos computacionais.

Qual a resolução deste dilema? O que importa o que nós achamos do conceito simulação? Considere o seguinte exemplo. Para performar um experimento, para tomar uma medida, o observador deve interagir com o sistema: algum tipo de sonda tem que necessariamente cruzar os contornos do sistema. Assim, é fato que sistemas isolados não podem ser estudados experimentalmente, uma vez que nossa sonda cruza o contorno e nosso sistema não é mais realmente isolado. Portanto, nós podemos performar cálculos teóricos, tais como simulações, nos sistemas verdadeiramente isolados e obter resultados significativos. A resolução do nosso dilema tem que simulações moleculares são formas de teoria; elas não envolvem medidas no sistema real.

Como nós pensamos, a simulação é importante, de fato crucial, por causa de algumas consequências: se eu aceito que simulações são experimentos, então isto segue que modelos simulados são reais. Munido com esta atitude junto com a facilidade de realmente fazer simulações, nós podemos ser tentados a abandonar o laboratório completamente. O perigo reside em romper a simulação da realidade.

Mas esta é apenas uma questão acadêmica? Recentemente uma apresentação publica foi feita por um executivo chefe de um grande fabricante de computadores. Na apresentação, fotos de Jupiter tiradas pela sonda Voyage foram comparadas com imagens produzidas de uma simulação computacional (...). O ponto do orador foi que as imagens simuladas eram verdadeiramente “mais reais que a vida real”. Mas se isso era verdade, não existia nenhuma necessidade de explorações espaciais – nós simplesmente performaríamos simulações. Note que, de fato, o CEO pode ter falhado em dois pontos: não somente que a simulação pode substituir a realidade mas ele também confundiu imagem fotográfica com realidade.


Reducionismo versus Simulação

Desde o tempo de Newton, quase todas as teorias científicas tem sido desenvolvidas no método reducionista: um sistema complexo tem sido reduzido para um ou para subsistemas mais simples e esses subsistemas são analisados. Ultimamente estes subsistemas tomaram a forma dos modelos, e hoje os modelos tomaram quase que exclusivamente a forma matemática. Antes de 1960, os modelos matemáticos tinham que ser simples o suficiente para serem resolvidos analiticamente, mas agora, essa necessidade é dispensada devido a viabilidade dos computadores digitais.

Um exemplo de reducionismo é considerar um estudo da Matéria da forma mais simples:

Matéria → compostos → elementos → moleculas → átomos → partículas elementares → quarks

A modelagem pode ocorrer em algum estágio da redução. Um modelo bem sucedido requer uma construção que força o comportamento de interesse permanecer invariante quando o sistema é substituído por um modelo. O objetivo do reducionismo é explicar o comportamento do sistema pela combinação de explicações do comportamento destes sub-sistemas. Simulações prevêem uma alternativa para o reducionismo porque nos permitem estudar o comportamento de classes de subsistemas ou sistemas. Assim, enquanto o reducionismo enfatiza a analise estrutural, a simulação enfatiza a analise comportamental.

(...) Em algum caso, a validade da teoria e do modelo seriam testados comparando as previsões com os parâmetros experimentais medidos na substância. Portanto, a conexão observáveis inseridas (inputs) e observáveis obtidas (outputs) permaneceriam implícitas no aparato matemático usado para fazer a previsão.

Mas o objetivo das simulações não é tornar explícita a conexão entre inputs e observáveis outputs. Em outras palavras, mais do que previsões, o objetivo está mais na natureza da explicação: modelos idealizados “explicam a natureza mesmo quando não a descrevem”.
 
Nota 1: em justiça, paleontologistas, pelo menos, tem discordado de imprevisibilidade determinística. Assim, Stephen Jay Gould postula que a fita da vida foi rebobinada para algumas previsões, em condições suficientemente afastadas e refeitas, o resultado seria vida ao contrário da vida que conhecemos.
Nota 2: contribuições para o entendimento do texto entre colchetes.
Nota 3: traduzido do inglês por Diego Guedes.


2 comentários:

  1. Paleontólogos, devem sempre voltar atras nas coisas que dizem... é muito interessante... voltam no tempo para poder explicar o passado, mas para poder explicar o passado devem voltar atras nas suas palavras e convicções determinadas previamente, pois é uma ciência que é humilde no seu ego... nunca irão conseguir prever o adiante, pois tudo se baseia no atras...

  1. Rapaz, isso deixa muito claro que acreditar piamente que modelos de clima são confiáveis para previsão de 30 ou mais anos é ir contra os pressupostos de um modelo de simulação ... Estão tentando nos convencer que os modelos climáticos são mais reais que a própria realidade...